AI 快讯
LIVE · 24h全网 AI 动态的中文速报，聚合引擎每 15 分钟更新。
- 11 月 2 日 05:0004:16
RoboColosseum：大规模真实环境机器人策略评测
↗ 查看原文 · arxiv.org分布式评测框架 RoboColosseum 在 124 个站点完成 5699 次配对比较，覆盖 5 个 VLA 策略与…
- 11 月 2 日 04:0003:51
研究称 MMLU-Pro 仍沿用被专家指出错误的 MMLU 答案键
↗ 查看原文 · dev.to有研究指出 MMLU-Pro 仍在使用 MMLU 的答案键，而专家曾判定其中 55 道题里有 52 道答案有误，可能影响…
- 03:02
SessionFarmer：从真实编程会话中构建 SWE 基准
↗ 查看原文 · arxiv.org研究者提出 SessionFarmer，将开发者与代理的对话及提交记录重构为可执行任务，并构建含 242 个任务的 Cr…
- 11 月 2 日 03:0002:04
LLM Agent 为单一仓库定制多机器人规划器，吞吐提升22%–60%
↗ 查看原文 · arxiv.org研究让 LLM 编码 Agent 自主研究，把通用多机器人规划器针对单个仓库场景做专门化，吞吐提升 22%–60%，且改…
- 11 月 2 日 02:0001:55
EviCast 提前预测 RAG 检索收益，诊断调用减少80%
↗ 查看原文 · arxiv.orgEviCast 通过共享响应校准预测不同检索配置的端到端净收益，无需逐一执行即可判断是否值得部署，诊断生成调用减少 80…
- 01:51
研究分析千个仓库的 Agent 指令文件，提出模板
↗ 查看原文 · arxiv.org研究分析 1000 个 GitHub 仓库的 3387 份 Agent 指令文件，发现多格式并存时 16.1% 的对应段…
- 01:30
量化对编码 Agent 的影响：准确率不变但行为改变
↗ 查看原文 · arxiv.org对比 BF16 与 4-bit 量化在编码 Agent 上的表现，未发现显著准确率损失，但解题路径、工具调用和失败模式出…
- 11 月 2 日 01:0000:54
APG：基于 LLVM-IR 图数据库的 Agent 静态分析基础设施
↗ 查看原文 · arxiv.orgAPG 把编译器静态分析拆成 38 个原子能力供 LLM Agent 组合调用，在 812 个 C/C++ 缺陷上修复成…
- 11 月 2 日 00:0023:29
论文探讨建筑环境组织如何为agentic AI准备数据
↗ 查看原文 · arxiv.org一篇arXiv论文综述建筑、工程与施工行业的数据组织方式，讨论知识结构、互操作性及RAG、MCP等接入机制，指出数据碎片…
- 23:29
论文提出验证智能体驱动的规格优先软件工程架构
↗ 查看原文 · arxiv.org一篇arXiv论文提出规格优先的架构，由智能体同时生成代码、形式化规格与证明，规格成为人工审查主体，代码和证明脚本变为可…
- 11 月 1 日 22:0021:22
论文：LLM 现代化改造旧 PHP 代码常破坏原有功能
↗ 查看原文 · arxiv.org一项研究让五个 LLM 把 100 个 WordPress 4.0 PHP 文件改写到 PHP 8.3，结果最好的模型只…
- 21:06
BOBA-Bench：编码智能体连续任务完成率从95%降至51%
↗ 查看原文 · arxiv.org研究者基于140个开源项目构建280条各含20个连续请求的测试链，十个编码智能体单次请求平均完成95%，串联后仅51%…
- 11 月 1 日 20:0019:59
- 19:40
研究用决策模型做编码智能体的运行时策略闸门
↗ 查看原文 · arxiv.org研究者用2643条工具调用数据评测22个托管决策模型，显式写出边界示例后各模型召回率提升5.5至26.1个百分点，误报也…
- 11 月 1 日 19:0018:59
- 18:53
- 18:27
为什么 2.675 会舍入成 2.67：金额计算 bug 指南
↗ 查看原文 · dev.to一篇技术文章以 Python 中 0.1+0.2 等浮点数示例为切入点，讲解金额计算中常见的舍入错误及其成因。
- 11 月 1 日 18:0017:26
SWE-Trail：用历史轨迹引导编码Agent训练数据收集
↗ 查看原文 · arxiv.org研究者提出SWE-Trail，用已有轨迹指导后续收集方向但不把历史放进Agent上下文，避免训练与测试不一致。
- 11 月 1 日 17:0016:18
LARK：用Lean形式化验证LLM生成的GPU内核
↗ 查看原文 · arxiv.org研究者提出LARK框架，用Lean 4对LLM生成的GPU内核与PyTorch参考实现做等价性证明，减少逐行人工检查。在…
- 16:04
Switch-SWE：衡量编码Agent在未完成任务间切换后的专注度
↗ 查看原文 · arxiv.org研究者发布Switch-SWE基准，包含19个Python仓库的200个专注任务，测试Agent在穿插其他未完成任务后能…
- 16:03
- 11 月 1 日 16:0015:05
Launder-Bench：检测仓库级代码洗稿的基准
↗ 查看原文 · arxiv.org研究者提出仓库级“代码洗稿”概念并发布 Launder-Bench，基于 282 个真实仓库构建。最强静态方法在成对检测…
- 15:02
- 11 月 1 日 15:0014:33
Step-Zero 攻击：编码智能体处理输入前已受损
↗ 查看原文 · arxiv.org研究指出编码智能体在内容进入模型前处理输入时即可能受害，42 组测试中 32 组超出磁盘预算。作者提出按调用字节计数的门…
- 14:30
- 11 月 1 日 14:0014:00
- 13:24
- 11 月 1 日 12:0011:50
实测 Agent 记忆策略：Token 成本才是瓶颈
↗ 查看原文 · dev.to一篇实测文章比较了 Agentic AI 中不同记忆策略的 Token 成本，认为 Token 开销才是智能体应用的主要…
- 11:08
- 11 月 1 日 09:0008:36
MemHarmBench：评估持久记忆AI代理的跨会话提示注入
↗ 查看原文 · arxiv.org研究者提出MemHarmBench基准，用于评估持久记忆AI代理的跨会话提示注入风险。测试发现，攻击内容移除后，代理仍可…
- 08:21
面向多框架WebUI代码生成的阶段性MLLM微调方法
↗ 查看原文 · arxiv.org研究针对MLLM生成React/Vue/Angular等多框架WebUI代码时的负迁移问题，提出按框架兼容性分组的阶段性…
- 08:02
- 11 月 1 日 08:0007:57
- 11 月 1 日 03:0002:27
- 02:14
- 11 月 1 日 02:0001:46
RAMBO：从内存总线无线电信号窃取气隙电脑数据
↗ 查看原文 · arxiv.org研究提出 RAMBO 攻击，恶意软件利用内存总线产生无线电信号编码敏感信息，攻击者用软件定义无线电和普通天线在远处接收…
- 11 月 1 日 01:0000:50
- 11 月 1 日 00:0023:55
用 Kleene 第二递归定理构造 Quine 程序
↗ 查看原文 · emarzion.github.io一篇技术文章借助 Kleene 第二递归定理，在无类型 lambda 演算中形式化构造出 Quine，并梳理了该定理的经…
- 23:48
权重仅0.005%变化即可让生成评分波动1.4个百分点
↗ 查看原文 · dev.to作者实测发现，权重元素仅0.005%的差异就能让生成评分变化1.4个百分点，并据此撤回了此前的模型对比报告，文中还整理了…
- 10 月 31 日 23:0022:20
- 22:18
ESA卫星失效后留下2123个信号，TabPFN超越公开SOTA
↗ 查看原文 · dev.to一篇Hacktoberfest开源AI挑战赛投稿介绍，ESA卫星失效后留下2123个信号，TabPFN在该任务上超过已发…
- 10 月 31 日 21:0020:34
- 10 月 31 日 20:0019:30
- 10 月 31 日 19:0018:10
一句白色提示让本地 Gemma 准确率从 3% 升到 100%
↗ 查看原文 · dev.to开发者称仅加入一句白色提示，就让本地 Gemma 的测试表现从 3% 提升到 100%，并据此逐一复核了十月发布的 AI…
- 18:02
- 10 月 31 日 16:0015:03
- 10 月 31 日 14:0013:39
- 10 月 31 日 13:0012:53
llm-search-eval：用 LLM 评审与配对统计评估搜索
↗ 查看原文 · dev.to文章介绍 llm-search-eval 的工程实践，说明无标注结果会带来比较偏差，并讲解如何用评审团与一致性统计保证…
- 10 月 31 日 12:0011:16
研究：MMLU 答案键出错时，选最长答案指向专家修正方向
↗ 查看原文 · dev.to一项由 AI agent 以 MV2 名义在 Munim 公司开展的研究指出，当 MMLU 答案键本身有误时，选择最长答…
- 10 月 31 日 11:0010:59